تخطي إلى المحتوى

مجموعة بيانات COCO8-Seg

مقدمة

Ultralytics COCO8-Seg عبارة عن مجموعة بيانات تجزئة صغيرة ومتعددة الاستخدامات ولكنها متعددة النماذج، وتتكون من أول 8 صور من مجموعة بيانات COCO التدريبية لعام 2017، 4 للتدريب و4 للتحقق من صحة الصور. تُعد مجموعة البيانات هذه مثالية لاختبار نماذج التجزئة وتصحيحها، أو لتجربة أساليب كشف جديدة. مع وجود 8 صور، فهي صغيرة بما يكفي لسهولة إدارتها، ولكنها متنوعة بما يكفي لاختبار خطوط أنابيب التدريب بحثًا عن الأخطاء والعمل بمثابة فحص للعقل قبل تدريب مجموعات بيانات أكبر.

مجموعة البيانات هذه مخصصة للاستخدام مع Ultralytics HUB و. YOLO11.

مجموعة البيانات YAML

يُستخدم ملف YAML (لغة ترميز أخرى) لتحديد تكوين مجموعة البيانات. وهو يحتوي على معلومات حول مسارات مجموعة البيانات وفئاتها والمعلومات الأخرى ذات الصلة. في حالة مجموعة بيانات COCO8-Seg، فإن ملف coco8-seg.yaml يتم الاحتفاظ بالملف في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml.

ultralytics/cfg/datasets/coco8-seg.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO8-seg dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco8-seg/
# Example usage: yolo train data=coco8-seg.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-seg  ← downloads here (1 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco8-seg # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-seg.zip

الاستخدام

لتدريب نموذج YOLO11n-seg على مجموعة بيانات COCO8-Seg لـ 100 حقبة زمنية بحجم صورة 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة تدريب النموذج.

مثال على القطار

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

عينة من الصور والتعليقات التوضيحية

فيما يلي بعض الأمثلة على صور من مجموعة بيانات COCO8-Seg، إلى جانب التعليقات التوضيحية المقابلة لها:

صورة عينة مجموعة البيانات

  • صورة فسيفساء: توضح هذه الصورة دفعة تدريب مكونة من صور مجموعة بيانات موزاييك. الفسيفساء هي تقنية تُستخدم أثناء التدريب تدمج صورًا متعددة في صورة واحدة لزيادة تنوع الأجسام والمشاهد داخل كل دفعة تدريب. يساعد ذلك في تحسين قدرة النموذج على التعميم على أحجام الأجسام المختلفة ونسب أبعادها وسياقاتها.

يعرض المثال تنوع وتعقيد الصور في مجموعة بيانات COCO8-Seg وفوائد استخدام الفسيفساء أثناء عملية التدريب.

الاستشهادات والشكر والتقدير

إذا كنت تستخدم مجموعة بيانات COCO في عملك البحثي أو التطويري، يرجى الاستشهاد بالورقة التالية:

@misc{lin2015microsoft,
      title={Microsoft COCO: Common Objects in Context},
      author={Tsung-Yi Lin and Michael Maire and Serge Belongie and Lubomir Bourdev and Ross Girshick and James Hays and Pietro Perona and Deva Ramanan and C. Lawrence Zitnick and Piotr Dollár},
      year={2015},
      eprint={1405.0312},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

نودّ أن نعرب عن تقديرنا لاتحاد COCO Consortium على إنشاء هذا المورد القيّم لمجتمع الرؤية الحاسوبية والحفاظ عليه. لمزيد من المعلومات حول مجموعة بيانات COCO ومنشئيها، يرجى زيارة الموقع الإلكتروني لمجموعة بيانات COCO.

الأسئلة الشائعة

ما هي مجموعة بيانات COCO8-Seg، وكيف يتم استخدامها في Ultralytics YOLO11 ؟

مجموعة بيانات COCO8-Seg هي مجموعة بيانات مضغوطة لتجزئة النماذج بواسطة Ultralytics ، وتتكون من أول 8 صور من مجموعة بيانات COCO Train 2017 - 4 صور للتدريب و4 للتحقق من الصحة. صُممت مجموعة البيانات هذه لاختبار نماذج التجزئة وتصحيحها أو لتجربة طرق كشف جديدة. وهي مفيدة بشكل خاص مع Ultralytics YOLO11 و HUB للتكرار السريع والتحقق من أخطاء خط الأنابيب قبل التوسع إلى مجموعات بيانات أكبر. للحصول على الاستخدام التفصيلي، راجع صفحة تدريب النموذج.

كيف يمكنني تدريب نموذج YOLO11n-seg باستخدام مجموعة بيانات COCO8-Seg؟

لتدريب نموذج YOLO11n-seg على مجموعة بيانات COCO8-Seg لـ 100 حلقة تدريبية بحجم صورة 640، يمكنك استخدام الأوامر Python أو CLI . إليك مثال سريع:

مثال على القطار

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # Load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

للحصول على شرح شامل للوسائط وخيارات التكوين المتاحة، يمكنك مراجعة وثائق التدريب.

لماذا تعتبر مجموعة بيانات COCO8-Seg مهمة لتطوير النموذج وتصحيح الأخطاء؟

تُعد مجموعة بيانات COCO8-Seg مثالية لسهولة إدارتها وتنوعها ضمن حجم صغير. فهي تتألف من 8 صور فقط، مما يوفر طريقة سريعة لاختبار وتصحيح نماذج التجزئة أو أساليب الكشف الجديدة دون الحاجة إلى مجموعات بيانات أكبر. وهذا يجعلها أداة فعالة لفحوصات التعقل وتحديد أخطاء خط الأنابيب قبل الالتزام بالتدريب المكثف على مجموعات البيانات الكبيرة. تعرف على المزيد حول تنسيقات مجموعات البيانات هنا.

أين يمكنني العثور على ملف تكوين YAML لمجموعة بيانات COCO8-Seg؟

يتوفر ملف تكوين YAML لمجموعة بيانات COCO8-Seg في مستودع Ultralytics . يمكنك الوصول إلى الملف مباشرةً من هنا. يتضمن ملف YAML معلومات أساسية حول مسارات مجموعة البيانات، والفئات، وإعدادات التكوين المطلوبة لتدريب النموذج والتحقق من صحته.

ما هي بعض فوائد استخدام الفسيفساء أثناء التدريب باستخدام مجموعة بيانات COCO8-Seg؟

يساعد استخدام الفسيفساء أثناء التدريب على زيادة تنوع وتنوع الأجسام والمشاهد في كل دفعة تدريب. تدمج هذه التقنية صورًا متعددة في صورة مركبة واحدة، مما يعزز قدرة النموذج على التعميم على أحجام الأجسام المختلفة ونسب أبعادها وسياقاتها داخل المشهد. تُعد الفسيفساء مفيدة لتحسين متانة النموذج ودقته، خاصةً عند العمل مع مجموعات بيانات صغيرة مثل COCO8-Seg. للاطلاع على مثال على الصور الفسيفسائية، راجع قسم نماذج الصور والتعليقات التوضيحية.

📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 2 شهر

التعليقات